Search

[ES] El objetivo que se persigue es determinar de manera automática las propiedades estructurales y la conectividad funcional en estado de reposo en el cerebro. Para ello, se propone una metodología basada en el estudio de la morfometría cerebral y de la conectividad funcional a partir del análisis de imágenes de Resonancia Magnética (RM). Para el estudio de la morfometría, se utilizará el método Voxel Based Morphometry (VBM), en el que se normaliza la imagen anatómica del sujeto respecto a una plantilla para analizar la presencia de alteraciones morfológicas locales. En este método, primero se realiza un pre-procesado que trate de eliminar las posibles heterogeneidades presentes en la señal de RM, así como extraer de las imágenes aquellas estructuras de tejido cerebral que puedan influir negativamente en los siguientes procesos (cráneo, vasos, cuero cabelludo, ojos, grasa y músculos). Posteriormente, se llevan a cabo diversos procesos de estandarización y tipificación buscando posicionar todas las imágenes anatómicas que queremos evaluar en un mismo espacio para permitir su análisis estadístico. Estos procesos son la normalización a este espacio común, la segmentación en los diferentes tejidos de interés (sustancia gris, sustancia blanca y líquido cefalorraquídeo) y el suavizado. Una vez realizados estos pasos, se emplea el Modelo Lineal General (MLG) para construir mapas estadísticos paramétricos (SPMs) que permitan el análisis morfológico de las imágenes. Aquellas zonas cerebrales resultantes de este análisis se etiquetarán mediante el atlas Harvard-Oxford (sustancia gris). La segunda parte de la metodología, consistente en el estudio de la conectividad funcional, está basada en la correlación entre las señales BOLD de uno o más vóxels separados anatómicamente. De forma análoga al método anterior, es necesario realizar un pre-procesado previo de las imágenes anatómicas y funcionales antes de comenzar el análisis estadístico: realineamiento, corregistro, normaliza, [EN] The objective is to automatically determine the structural properties and functional connectivity during the resting state. To this end, a methodology based on the study of brain morphometry and functional connectivity from the analysis of magnetic resonance imaging (MRI) is proposed. For the morphometry study, the Voxel Based Morphometry (VBM) method will be used, in which the anatomical image of the subject is normalized with respect to a template in order to analyze the presence of local morphological alterations. In this method, a pre-processing is first performed to eliminate the possible heterogeneities present in the MRI signal, as well as to extract from the images those structures of brain tissue that may negatively influence the following processes (skull, vessels, scalp, eyes, fat and muscles). Subsequently, several standardization and typification processes are carried out in order to position all the anatomical images that we want to evaluate in the same space to allow their statistical analysis. These processes are the normalization to this common space, the segmentation in the different tissues of interest (grey matter, white matter and cerebrospinal fluid) and the smoothing. Once these steps are completed, the General Linear Model (GLM) is used to build parametric statistical maps (SPMs) that allow the morphological analysis of the images. Those brain areas resulting from this analysis will be labelled using the Harvard-Oxford (grey matter) and Jülich / Susumu Mori (white matter) atlases. The second part of the methodology, consisting of the study of functional connectivity, is based on the correlation between the BOLD signals of one or more anatomically separated voxels. Similar to the previous method, it is necessary to pre-process the anatomical and functional images before starting the statistical analysis: realignment, co-registration, normalization and smoothing. After finishing the above steps, SPMs are generated to delimit those active b

[ES] El trastorno del espectro autista (TEA) es un desorden de tipo neurológico cuya prevalencia se ha visto enormemente incrementada en los últimos años, hecho probablemente condicionado a las mejoras en las metodologías diagnósticas, pero que no deja de resultar alarmante. A pesar de su prevalencia, y al igual que ocurre con muchos otros trastornos de tipo neurológico o psiquiátrico, las bases neurológicas del TEA aún no han sido completamente esclarecidas. El objetivo del presente Trabajo Final de Máster es evaluar el potencial de distintas técnicas de aprendizaje automático en el diagnóstico del TEA a partir del análisis de imagen de resonancia magnética funcional en estado de reposo. Dicho de otra manera, dado un conjunto de imágenes cerebrales, deseamos conocer si es posible discriminar aquellos sujetos con TEA de aquellos sujetos de referencia o controles. Para ello se analizarán un total de 157 sujetos (75 sujetos con TEA y 82 controles) de la base de datos ABIDE (Autism Brain Imaging Data Exchange). Para llevar a cabo este estudio, la herramienta de software escogida ha sido Matlab®. Para abordar dicho objetivo, en primer lugar, y para cada uno de los sujetos incluidos en el estudio, se calculará la conectividad funcional, cuantificada a partir del coeficiente de correlación de Pearson, entre cada par de regiones cerebrales a partir de la señal temporal BOLD. Después se llevará a cabo un análisis comparativo previo en un subconjunto de sujetos haciendo uso de la Network-Based Statistic Toolbox (NBS). Este análisis de la conectividad nos proporcionará una serie de enlaces entre regiones que muestran diferencias significativas entre grupos y que, por tanto, resultan clave para determinar el patrón de conectividad funcional asociado al TEA. Los valores de conectividad funcional de cada uno de los enlaces que muestran diferencias significativas entre los dos grupos se utilizarán como características para la clasificación del subconjunto restante de sujetos. Así, [EN] The Autism Spectrum Disorder (ASD) is a neurological disorder with an increasing prevalence, and even though this growth is probably related to the improvements in diagnostic methodologies, the increase in the number of ASD diagnosed patients is an alarming fact. Despite its prevalence, and as it happens in many other neurological and psychiatric disorders, the neurological basis of the ASD have not been completely established yet. The aim of this work is to evaluate the potential of machine learning techniques in ASD diagnosis based on the analysis of resting state functional magnetic resonance images. In other words, we want to determine if it is possible, having a set of brain images, to determine which subjects have ASD, and which ones are subjects with a neurotypical development, or control subjects. In order to address this problem, we have analyzed images pertaining to 157 subjects (75 with ASD and 82 controls) obtained from ABIDE (Autism Brain Imaging Data Exchange). The analysis of these images has been performed using Matlab. To achieve this target, the first step is to obtain the functional brain connectivity for each one of the subjects in the study, using Pearson¿s correlation coefficient of BOLD signal between every pair of regions of the brain. Then, we will perform a comparative analysis in a subset of patients using the Network-Based Statistic Toolbox (NBS). This connectivity analysis will provide us with a group of connections among different regions that usually appear significantly altered in one of the groups, and that are therefore key brain alterations in order to determine the ASD characteristic pattern. The obtained set of altered connections will be used as features to classify the remaining subset of patients. Therefore, we will apply several classification techniques, such as k-Nearest Neighbors (KNN), Support Vector Machines (SVMs) or Artificial Neural Networks, to produce a predictive model that distinguishes between images pertain

[ES] El objetivo que se persigue es determinar de manera automática las propiedades estructurales y la conectividad funcional en estado de reposo en el cerebro. Para ello, se propone una metodología basada en el estudio de la morfometría cerebral y de la conectividad funcional a partir del análisis de imágenes de Resonancia Magnética (RM). Para el estudio de la morfometría, se utilizará el método Voxel Based Morphometry (VBM), en el que se normaliza la imagen anatómica del sujeto respecto a una plantilla para analizar la presencia de alteraciones morfológicas locales. En este método, primero se realiza un pre-procesado que trate de eliminar las posibles heterogeneidades presentes en la señal de RM, así como extraer de las imágenes aquellas estructuras de tejido cerebral que puedan influir negativamente en los siguientes procesos (cráneo, vasos, cuero cabelludo, ojos, grasa y músculos). Posteriormente, se llevan a cabo diversos procesos de estandarización y tipificación buscando posicionar todas las imágenes anatómicas que queremos evaluar en un mismo espacio para permitir su análisis estadístico. Estos procesos son la normalización a este espacio común, la segmentación en los diferentes tejidos de interés (sustancia gris, sustancia blanca y líquido cefalorraquídeo) y el suavizado. Una vez realizados estos pasos, se emplea el Modelo Lineal General (MLG) para construir mapas estadísticos paramétricos (SPMs) que permitan el análisis morfológico de las imágenes. Aquellas zonas cerebrales resultantes de este análisis se etiquetarán mediante el atlas Harvard-Oxford (sustancia gris). La segunda parte de la metodología, consistente en el estudio de la conectividad funcional, está basada en la correlación entre las señales BOLD de uno o más vóxels separados anatómicamente. De forma análoga al método anterior, es necesario realizar un pre-procesado previo de las imágenes anatómicas y funcionales antes de comenzar el análisis estadístico: realineamiento, corregistro, normaliza, [EN] The objective is to automatically determine the structural properties and functional connectivity during the resting state. To this end, a methodology based on the study of brain morphometry and functional connectivity from the analysis of magnetic resonance imaging (MRI) is proposed. For the morphometry study, the Voxel Based Morphometry (VBM) method will be used, in which the anatomical image of the subject is normalized with respect to a template in order to analyze the presence of local morphological alterations. In this method, a pre-processing is first performed to eliminate the possible heterogeneities present in the MRI signal, as well as to extract from the images those structures of brain tissue that may negatively influence the following processes (skull, vessels, scalp, eyes, fat and muscles). Subsequently, several standardization and typification processes are carried out in order to position all the anatomical images that we want to evaluate in the same space to allow their statistical analysis. These processes are the normalization to this common space, the segmentation in the different tissues of interest (grey matter, white matter and cerebrospinal fluid) and the smoothing. Once these steps are completed, the General Linear Model (GLM) is used to build parametric statistical maps (SPMs) that allow the morphological analysis of the images. Those brain areas resulting from this analysis will be labelled using the Harvard-Oxford (grey matter) and Jülich / Susumu Mori (white matter) atlases. The second part of the methodology, consisting of the study of functional connectivity, is based on the correlation between the BOLD signals of one or more anatomically separated voxels. Similar to the previous method, it is necessary to pre-process the anatomical and functional images before starting the statistical analysis: realignment, co-registration, normalization and smoothing. After finishing the above steps, SPMs are generated to delimit those active b

[ES] El trastorno del espectro autista (TEA) es un desorden de tipo neurológico cuya prevalencia se ha visto enormemente incrementada en los últimos años, hecho probablemente condicionado a las mejoras en las metodologías diagnósticas, pero que no deja de resultar alarmante. A pesar de su prevalencia, y al igual que ocurre con muchos otros trastornos de tipo neurológico o psiquiátrico, las bases neurológicas del TEA aún no han sido completamente esclarecidas. El objetivo del presente Trabajo Final de Máster es evaluar el potencial de distintas técnicas de aprendizaje automático en el diagnóstico del TEA a partir del análisis de imagen de resonancia magnética funcional en estado de reposo. Dicho de otra manera, dado un conjunto de imágenes cerebrales, deseamos conocer si es posible discriminar aquellos sujetos con TEA de aquellos sujetos de referencia o controles. Para ello se analizarán un total de 157 sujetos (75 sujetos con TEA y 82 controles) de la base de datos ABIDE (Autism Brain Imaging Data Exchange). Para llevar a cabo este estudio, la herramienta de software escogida ha sido Matlab®. Para abordar dicho objetivo, en primer lugar, y para cada uno de los sujetos incluidos en el estudio, se calculará la conectividad funcional, cuantificada a partir del coeficiente de correlación de Pearson, entre cada par de regiones cerebrales a partir de la señal temporal BOLD. Después se llevará a cabo un análisis comparativo previo en un subconjunto de sujetos haciendo uso de la Network-Based Statistic Toolbox (NBS). Este análisis de la conectividad nos proporcionará una serie de enlaces entre regiones que muestran diferencias significativas entre grupos y que, por tanto, resultan clave para determinar el patrón de conectividad funcional asociado al TEA. Los valores de conectividad funcional de cada uno de los enlaces que muestran diferencias significativas entre los dos grupos se utilizarán como características para la clasificación del subconjunto restante de sujetos. Así, [EN] The Autism Spectrum Disorder (ASD) is a neurological disorder with an increasing prevalence, and even though this growth is probably related to the improvements in diagnostic methodologies, the increase in the number of ASD diagnosed patients is an alarming fact. Despite its prevalence, and as it happens in many other neurological and psychiatric disorders, the neurological basis of the ASD have not been completely established yet. The aim of this work is to evaluate the potential of machine learning techniques in ASD diagnosis based on the analysis of resting state functional magnetic resonance images. In other words, we want to determine if it is possible, having a set of brain images, to determine which subjects have ASD, and which ones are subjects with a neurotypical development, or control subjects. In order to address this problem, we have analyzed images pertaining to 157 subjects (75 with ASD and 82 controls) obtained from ABIDE (Autism Brain Imaging Data Exchange). The analysis of these images has been performed using Matlab. To achieve this target, the first step is to obtain the functional brain connectivity for each one of the subjects in the study, using Pearson¿s correlation coefficient of BOLD signal between every pair of regions of the brain. Then, we will perform a comparative analysis in a subset of patients using the Network-Based Statistic Toolbox (NBS). This connectivity analysis will provide us with a group of connections among different regions that usually appear significantly altered in one of the groups, and that are therefore key brain alterations in order to determine the ASD characteristic pattern. The obtained set of altered connections will be used as features to classify the remaining subset of patients. Therefore, we will apply several classification techniques, such as k-Nearest Neighbors (KNN), Support Vector Machines (SVMs) or Artificial Neural Networks, to produce a predictive model that distinguishes between images pertain

[ES] El objetivo que se persigue es determinar de manera automática las propiedades estructurales y la conectividad funcional en estado de reposo en el cerebro. Para ello, se propone una metodología basada en el estudio de la morfometría cerebral y de la conectividad funcional a partir del análisis de imágenes de Resonancia Magnética (RM). Para el estudio de la morfometría, se utilizará el método Voxel Based Morphometry (VBM), en el que se normaliza la imagen anatómica del sujeto respecto a una plantilla para analizar la presencia de alteraciones morfológicas locales. En este método, primero se realiza un pre-procesado que trate de eliminar las posibles heterogeneidades presentes en la señal de RM, así como extraer de las imágenes aquellas estructuras de tejido cerebral que puedan influir negativamente en los siguientes procesos (cráneo, vasos, cuero cabelludo, ojos, grasa y músculos). Posteriormente, se llevan a cabo diversos procesos de estandarización y tipificación buscando posicionar todas las imágenes anatómicas que queremos evaluar en un mismo espacio para permitir su análisis estadístico. Estos procesos son la normalización a este espacio común, la segmentación en los diferentes tejidos de interés (sustancia gris, sustancia blanca y líquido cefalorraquídeo) y el suavizado. Una vez realizados estos pasos, se emplea el Modelo Lineal General (MLG) para construir mapas estadísticos paramétricos (SPMs) que permitan el análisis morfológico de las imágenes. Aquellas zonas cerebrales resultantes de este análisis se etiquetarán mediante el atlas Harvard-Oxford (sustancia gris). La segunda parte de la metodología, consistente en el estudio de la conectividad funcional, está basada en la correlación entre las señales BOLD de uno o más vóxels separados anatómicamente. De forma análoga al método anterior, es necesario realizar un pre-procesado previo de las imágenes anatómicas y funcionales antes de comenzar el análisis estadístico: realineamiento, corregistro, normaliza, [EN] The objective is to automatically determine the structural properties and functional connectivity during the resting state. To this end, a methodology based on the study of brain morphometry and functional connectivity from the analysis of magnetic resonance imaging (MRI) is proposed. For the morphometry study, the Voxel Based Morphometry (VBM) method will be used, in which the anatomical image of the subject is normalized with respect to a template in order to analyze the presence of local morphological alterations. In this method, a pre-processing is first performed to eliminate the possible heterogeneities present in the MRI signal, as well as to extract from the images those structures of brain tissue that may negatively influence the following processes (skull, vessels, scalp, eyes, fat and muscles). Subsequently, several standardization and typification processes are carried out in order to position all the anatomical images that we want to evaluate in the same space to allow their statistical analysis. These processes are the normalization to this common space, the segmentation in the different tissues of interest (grey matter, white matter and cerebrospinal fluid) and the smoothing. Once these steps are completed, the General Linear Model (GLM) is used to build parametric statistical maps (SPMs) that allow the morphological analysis of the images. Those brain areas resulting from this analysis will be labelled using the Harvard-Oxford (grey matter) and Jülich / Susumu Mori (white matter) atlases. The second part of the methodology, consisting of the study of functional connectivity, is based on the correlation between the BOLD signals of one or more anatomically separated voxels. Similar to the previous method, it is necessary to pre-process the anatomical and functional images before starting the statistical analysis: realignment, co-registration, normalization and smoothing. After finishing the above steps, SPMs are generated to delimit those active b

[ES] El trastorno del espectro autista (TEA) es un desorden de tipo neurológico cuya prevalencia se ha visto enormemente incrementada en los últimos años, hecho probablemente condicionado a las mejoras en las metodologías diagnósticas, pero que no deja de resultar alarmante. A pesar de su prevalencia, y al igual que ocurre con muchos otros trastornos de tipo neurológico o psiquiátrico, las bases neurológicas del TEA aún no han sido completamente esclarecidas. El objetivo del presente Trabajo Final de Máster es evaluar el potencial de distintas técnicas de aprendizaje automático en el diagnóstico del TEA a partir del análisis de imagen de resonancia magnética funcional en estado de reposo. Dicho de otra manera, dado un conjunto de imágenes cerebrales, deseamos conocer si es posible discriminar aquellos sujetos con TEA de aquellos sujetos de referencia o controles. Para ello se analizarán un total de 157 sujetos (75 sujetos con TEA y 82 controles) de la base de datos ABIDE (Autism Brain Imaging Data Exchange). Para llevar a cabo este estudio, la herramienta de software escogida ha sido Matlab®. Para abordar dicho objetivo, en primer lugar, y para cada uno de los sujetos incluidos en el estudio, se calculará la conectividad funcional, cuantificada a partir del coeficiente de correlación de Pearson, entre cada par de regiones cerebrales a partir de la señal temporal BOLD. Después se llevará a cabo un análisis comparativo previo en un subconjunto de sujetos haciendo uso de la Network-Based Statistic Toolbox (NBS). Este análisis de la conectividad nos proporcionará una serie de enlaces entre regiones que muestran diferencias significativas entre grupos y que, por tanto, resultan clave para determinar el patrón de conectividad funcional asociado al TEA. Los valores de conectividad funcional de cada uno de los enlaces que muestran diferencias significativas entre los dos grupos se utilizarán como características para la clasificación del subconjunto restante de sujetos. Así, [EN] The Autism Spectrum Disorder (ASD) is a neurological disorder with an increasing prevalence, and even though this growth is probably related to the improvements in diagnostic methodologies, the increase in the number of ASD diagnosed patients is an alarming fact. Despite its prevalence, and as it happens in many other neurological and psychiatric disorders, the neurological basis of the ASD have not been completely established yet. The aim of this work is to evaluate the potential of machine learning techniques in ASD diagnosis based on the analysis of resting state functional magnetic resonance images. In other words, we want to determine if it is possible, having a set of brain images, to determine which subjects have ASD, and which ones are subjects with a neurotypical development, or control subjects. In order to address this problem, we have analyzed images pertaining to 157 subjects (75 with ASD and 82 controls) obtained from ABIDE (Autism Brain Imaging Data Exchange). The analysis of these images has been performed using Matlab. To achieve this target, the first step is to obtain the functional brain connectivity for each one of the subjects in the study, using Pearson¿s correlation coefficient of BOLD signal between every pair of regions of the brain. Then, we will perform a comparative analysis in a subset of patients using the Network-Based Statistic Toolbox (NBS). This connectivity analysis will provide us with a group of connections among different regions that usually appear significantly altered in one of the groups, and that are therefore key brain alterations in order to determine the ASD characteristic pattern. The obtained set of altered connections will be used as features to classify the remaining subset of patients. Therefore, we will apply several classification techniques, such as k-Nearest Neighbors (KNN), Support Vector Machines (SVMs) or Artificial Neural Networks, to produce a predictive model that distinguishes between images pertain

[ES] El objetivo que se persigue es determinar de manera automática las propiedades estructurales y la conectividad funcional en estado de reposo en el cerebro. Para ello, se propone una metodología basada en el estudio de la morfometría cerebral y de la conectividad funcional a partir del análisis de imágenes de Resonancia Magnética (RM). Para el estudio de la morfometría, se utilizará el método Voxel Based Morphometry (VBM), en el que se normaliza la imagen anatómica del sujeto respecto a una plantilla para analizar la presencia de alteraciones morfológicas locales. En este método, primero se realiza un pre-procesado que trate de eliminar las posibles heterogeneidades presentes en la señal de RM, así como extraer de las imágenes aquellas estructuras de tejido cerebral que puedan influir negativamente en los siguientes procesos (cráneo, vasos, cuero cabelludo, ojos, grasa y músculos). Posteriormente, se llevan a cabo diversos procesos de estandarización y tipificación buscando posicionar todas las imágenes anatómicas que queremos evaluar en un mismo espacio para permitir su análisis estadístico. Estos procesos son la normalización a este espacio común, la segmentación en los diferentes tejidos de interés (sustancia gris, sustancia blanca y líquido cefalorraquídeo) y el suavizado. Una vez realizados estos pasos, se emplea el Modelo Lineal General (MLG) para construir mapas estadísticos paramétricos (SPMs) que permitan el análisis morfológico de las imágenes. Aquellas zonas cerebrales resultantes de este análisis se etiquetarán mediante el atlas Harvard-Oxford (sustancia gris). La segunda parte de la metodología, consistente en el estudio de la conectividad funcional, está basada en la correlación entre las señales BOLD de uno o más vóxels separados anatómicamente. De forma análoga al método anterior, es necesario realizar un pre-procesado previo de las imágenes anatómicas y funcionales antes de comenzar el análisis estadístico: realineamiento, corregistro, normaliza, [EN] The objective is to automatically determine the structural properties and functional connectivity during the resting state. To this end, a methodology based on the study of brain morphometry and functional connectivity from the analysis of magnetic resonance imaging (MRI) is proposed. For the morphometry study, the Voxel Based Morphometry (VBM) method will be used, in which the anatomical image of the subject is normalized with respect to a template in order to analyze the presence of local morphological alterations. In this method, a pre-processing is first performed to eliminate the possible heterogeneities present in the MRI signal, as well as to extract from the images those structures of brain tissue that may negatively influence the following processes (skull, vessels, scalp, eyes, fat and muscles). Subsequently, several standardization and typification processes are carried out in order to position all the anatomical images that we want to evaluate in the same space to allow their statistical analysis. These processes are the normalization to this common space, the segmentation in the different tissues of interest (grey matter, white matter and cerebrospinal fluid) and the smoothing. Once these steps are completed, the General Linear Model (GLM) is used to build parametric statistical maps (SPMs) that allow the morphological analysis of the images. Those brain areas resulting from this analysis will be labelled using the Harvard-Oxford (grey matter) and Jülich / Susumu Mori (white matter) atlases. The second part of the methodology, consisting of the study of functional connectivity, is based on the correlation between the BOLD signals of one or more anatomically separated voxels. Similar to the previous method, it is necessary to pre-process the anatomical and functional images before starting the statistical analysis: realignment, co-registration, normalization and smoothing. After finishing the above steps, SPMs are generated to delimit those active b

[ES] El trastorno del espectro autista (TEA) es un desorden de tipo neurológico cuya prevalencia se ha visto enormemente incrementada en los últimos años, hecho probablemente condicionado a las mejoras en las metodologías diagnósticas, pero que no deja de resultar alarmante. A pesar de su prevalencia, y al igual que ocurre con muchos otros trastornos de tipo neurológico o psiquiátrico, las bases neurológicas del TEA aún no han sido completamente esclarecidas. El objetivo del presente Trabajo Final de Máster es evaluar el potencial de distintas técnicas de aprendizaje automático en el diagnóstico del TEA a partir del análisis de imagen de resonancia magnética funcional en estado de reposo. Dicho de otra manera, dado un conjunto de imágenes cerebrales, deseamos conocer si es posible discriminar aquellos sujetos con TEA de aquellos sujetos de referencia o controles. Para ello se analizarán un total de 157 sujetos (75 sujetos con TEA y 82 controles) de la base de datos ABIDE (Autism Brain Imaging Data Exchange). Para llevar a cabo este estudio, la herramienta de software escogida ha sido Matlab®. Para abordar dicho objetivo, en primer lugar, y para cada uno de los sujetos incluidos en el estudio, se calculará la conectividad funcional, cuantificada a partir del coeficiente de correlación de Pearson, entre cada par de regiones cerebrales a partir de la señal temporal BOLD. Después se llevará a cabo un análisis comparativo previo en un subconjunto de sujetos haciendo uso de la Network-Based Statistic Toolbox (NBS). Este análisis de la conectividad nos proporcionará una serie de enlaces entre regiones que muestran diferencias significativas entre grupos y que, por tanto, resultan clave para determinar el patrón de conectividad funcional asociado al TEA. Los valores de conectividad funcional de cada uno de los enlaces que muestran diferencias significativas entre los dos grupos se utilizarán como características para la clasificación del subconjunto restante de sujetos. Así, [EN] The Autism Spectrum Disorder (ASD) is a neurological disorder with an increasing prevalence, and even though this growth is probably related to the improvements in diagnostic methodologies, the increase in the number of ASD diagnosed patients is an alarming fact. Despite its prevalence, and as it happens in many other neurological and psychiatric disorders, the neurological basis of the ASD have not been completely established yet. The aim of this work is to evaluate the potential of machine learning techniques in ASD diagnosis based on the analysis of resting state functional magnetic resonance images. In other words, we want to determine if it is possible, having a set of brain images, to determine which subjects have ASD, and which ones are subjects with a neurotypical development, or control subjects. In order to address this problem, we have analyzed images pertaining to 157 subjects (75 with ASD and 82 controls) obtained from ABIDE (Autism Brain Imaging Data Exchange). The analysis of these images has been performed using Matlab. To achieve this target, the first step is to obtain the functional brain connectivity for each one of the subjects in the study, using Pearson¿s correlation coefficient of BOLD signal between every pair of regions of the brain. Then, we will perform a comparative analysis in a subset of patients using the Network-Based Statistic Toolbox (NBS). This connectivity analysis will provide us with a group of connections among different regions that usually appear significantly altered in one of the groups, and that are therefore key brain alterations in order to determine the ASD characteristic pattern. The obtained set of altered connections will be used as features to classify the remaining subset of patients. Therefore, we will apply several classification techniques, such as k-Nearest Neighbors (KNN), Support Vector Machines (SVMs) or Artificial Neural Networks, to produce a predictive model that distinguishes between images pertain

Santiago Ramón y Cajal demostró que el sistema nervioso y el cerebro estaban formados por células, al igual que el resto de los tejidos vivos. Esas células fueron llamadas neuronas y las conexiones entre ellas, la sinapsis, son fundamentales para su funcionamiento y comunicación. Todo lo que ocurre dentro del cerebro puede describirse como un entramado de corrientes eléctricas y reacciones bioquímicas entre neuronas. A partir del siglo XIX, la observación y estudio de síndromes o enfermedades debidas a lesiones cerebrales jugó un papel trascendental en el desarrollo de las neurociencias. Por primera vez fue posible establecer algunas correlaciones entre determinadas áreas del cerebro y determinadas funciones mentales superiores como el lenguaje o la memoria. Sin embargo, hace tiempo que se ha superado ese modelo localizacionista. Hoy se asume que las funciones cognitivas no están localizadas en un área cerebral específica, sino que se basan en el funcionamiento de complejos sistemas funcionales. Gracias a las técnicas de neuroimagen funcional, podemos relacionar una tarea concreta con un determinado patrón de activación cerebral, es decir, un conjunto de áreas coactivadas. Uno de los grandes retos de la neurociencia en la actualidad es consolidar el conocimiento de los patrones de actividad cerebral. Por otro lado, muchas patologías tanto neurológicas como psiquiátricas, no obedecen a una lesión focal o a la alteración de una sola área cerebral. Diferentes trastornos, como la esquizofrenia o el autismo, se entienden en la actualidad como desordenes complejos de la conectividad neural. El estudio de la conectividad neural "in vivo" es uno de los principales objetivos de las técnicas de neuroimagen. Un objetivo en un futuro próximo es que estas técnicas, que se centran en el estudio de la conectividad entre distintas áreas cerebrales, permitan mejorar de forma directa los diagnósticos y de forma indirecta los tratamientos de diversas patologías neurológicas y mentales